基于测井参数的煤层含气量预测模型与应用.pdf

第 ４２ 卷第 ６ 期煤 炭 科 学 技 术Ｖｏｌ􀆱 ４２ Ｎｏ􀆱 ６ ２０１４ 年６ 月Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ ＴｅｃｈｎｏｌｏｇｙＪｕｎｅ ２０１４ 基于测井参数的煤层含气量预测模型与应用 孟召平１ꎬ２ꎬ郭彦省１ꎬ３ꎬ张纪星１ １􀆱 中国矿业大学北京 地球科学与测绘工程学院ꎬ北京 １０００８３ꎻ ２􀆱 三峡大学 三峡库区地质灾害教育部重点实验室ꎬ湖北 宜昌 ４４３００２ꎻ３􀆱 北京工业职业技术学院ꎬ北京 １０００４２ 摘 要煤层含气量是决定煤层气开发效果的重要参数ꎬ准确确定煤层含气量是煤层气勘探开发研究 的一个关键问题ꎮ 以沁水盆地东南部沁南东区块为依托ꎬ通过煤层含气量解吸试验和煤层气钻孔测 井资料统计ꎬ分析了煤层含气量与测井参数之间的关系ꎬ选择了有效埋深的对数、体积密度、自然电 位、深侧向电阻率与浅侧向电阻率比值、微球形聚焦电阻率的对数、声波时差与自然伽马和补偿中子 乘积的比值等 ６ 个参数作为 ＢＰ 人工神经网络预测模型的基本特征量ꎬ建立了基于测井参数的煤层 含气量 ＢＰ 人工神经网络预测模型ꎬ并对模型进行误差分析和应用结果对比分析ꎮ 结果表明基于测 井参数的 ＢＰ 人工神经网络预测模型具有极强的非线性逼近能力ꎬ能真实反映煤层含气量与测井参 数之间的非线性关系ꎬ预测结果与实测结果之间误差小ꎬ相对误差一般小于 １０％ꎬ采用测井参数预测 煤层含气量具有较好的应用前景ꎮ 关键词测井参数ꎻ煤层含气量ꎻＢＰ 人工神经网络ꎻ预测模型 中图分类号ＴＤ７１２ꎻＰ６１８ 文献标志码Ａ 文章编号０２５３－２３３６２０１４０６－００２５－０６ Ａｐｐｌｉｃａｔｉｏｎ ａｎｄ Ｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ｏｆ Ｃｏａｌｂｅｄ Ｍｅｔｈａｎｅ Ｃｏｎｔｅｎｔ Ｂａｓｅｄ ｏｎ Ｌｏｇｇｉｎｇ Ｐａｒａｍｅｔｅｒｓ ＭＥＮＧ Ｚｈａｏ￣ｐｉｎｇ１ꎬ２ꎬＧＵＯ Ｙａｎ￣ｓｈｅｎｇ１ꎬ３ꎬＺＨＡＮＧ Ｊｉ￣ｘｉｎｇ１ １.Ｃｏｌｌｅｇｅ ｏｆ Ｇｅｏｓｃｉｅｎｃｅｓ ａｎｄ Ｓｕｒｖｅｙｉｎｇ ＥｎｇｉｎｅｅｒｉｎｇꎬＣｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ ＴｅｃｈｎｏｌｏｇｙＢｅｉｊｉｎｇꎬＢｅｉｊｉｎｇ １０００８３ꎬＣｈｉｎａꎻ ２.Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｇｅｏｌｏｇｉｃａｌ Ｈａｚａｒｄｓ ｏｎ Ｔｈｒｅｅ Ｇｏｒｇｅｓ Ｒｅｓｅｒｖｏｉｒ ＡｒｅａꎬＭｉｎｉｓｔｒｙ ｏｆ ＥｄｕｃａｔｉｏｎꎬＣｈｉｎａ Ｔｈｒｅｅ Ｇｏｒｇｅｓ ＵｎｉｖｅｒｓｉｔｙꎬＹｉｃｈａｎｇ ４４３００２ꎬＣｈｉｎａꎻ ３.Ｂｅｉｊｉｎｇ Ｐｏｌｙｔｅｃｈｎｉｃ ＣｏｌｌｅｇｅꎬＢｅｉｊｉｎｇ １０００４２ꎬＣｈｉｎａ ＡｂｓｔｒａｃｔＣｏａｌｂｅｄ ｍａｔｈａｎｅ ｃｏｎｔｅｎｔ ｗａｓ ａｎ ｉｍｐｏｒｔａｎｔ ｐａｒａｍｅｔｅｒ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｅｆｆｅｃｔ ｏｆ ｃｏａｌｂｅｄ ｍｅｔｈａｎｅ.Ａｃｃｕｒａｔｅ ｄｅｔｅｒｍｉ￣ ｎａｔｉｏｎ ｏｆ ｔｈｅ ｃｏｎｔｅｎｔ ｗａｓ ａ ｋｅｙ ｐｒｏｂｌｅｍ ｆｏｒ ｃｏａｌｂｅｄ ｍｅｔｈａｎｅ ｅｘｐｌｏｒａｔｉｏｎ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｒｅｓｅａｒｃｈ.Ｔａｋｉｎｇ ｅａｓｔ Ｑｉｎｎａｎ Ｂｌｏｃｋ ｉｎ ｓｏｕｔｈｅａｓｔ Ｑｉｎｓｈｕｉ ｂａｓｉｎ ａｓ ｔｈｅ ｔａｒｇｅｔ ａｒｅａꎬｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｃｏａｌｂｅｄ ｍａｔｈａｎｅ ｃｏｎｔｅｎｔ ａｎｄ ｌｏｇｇｉｎｇ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ａｎａｌｙｚｅｄꎬｂａｓｅｄ ｏｎ ｇａｓ ｄｅ￣ ｓｏｒｐｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔ ｏｆ ｍａｔｈａｎｅ ｃｏｎｔｅｎｔ ａｎｄ ｃｏａｌｂｅｄ ｍｅｔｈａｎｅ ｄｒｉｌｌｉｎｇ ｌｏｇｇｉｎｇ ｐａｒａｍｅｔｅｒｓ.Ｓｉｘ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｃｈｏｓｅｎ ａｓ ｔｈｅ ｂａｓｉｃ ｃｈａｒａｃｔｅｒ￣ ｉｓｔｉｃ ｑｕａｎｔｉｔｉｅｓ ｏｆ ＢＰ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌꎬｓｕｃｈ ａｓ ｌｏｇａｒｉｔｈｍ ｏｆ ｅｆｆｅｃｔｉｖｅ ｂｕｒｉｅｄ ｄｅｐｔｈꎬｖｏｌｕｍｅ ｄｅｎｓｉｔｙꎬｓｐｏｎｔａｎｅｏｕｓ ｐｏｔｅｎｔｉａｌꎬｒａｔｉｏ ｏｆ ｄｅｅｐ ｌａｔｅｒａｌ ｒｅｓｉｓｔｉｖｉｔｙ ａｎｄ ｓｈａｌｌｏｗ ｌａｔｅｒａｌ ｒｅｓｉｓｔｉｖｉｔｙꎬｌｏｇａｒｉｔｈｍ ｏｆ ｍｉｃｒｏｓｐｈｅｒｉｃａｌｌｙ ｆｏｃｕｓｅｄ ｒｅｓｉｓｔｉｖｉｔｙꎬｒａｔｉｏ ｏｆ ａｃｏｕｓｔｉｃ ｔｉｍｅ ｄｉｆｆｅｒｅｎｃｅ ａｎｄ ｔｈｅ ｐｒｏｄｕｃｔ ｏｆ ｎａｔｕｒａｌ ｇａｍｍａ ｒａｙ ａｎｄ ｃｏｍｐｅｎｓａｔｅｄ ｎｅｕｔｒｏｎ.Ｔｈｅ ＢＰ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｃｏａｌ￣ ｂｅｄ ｍｅｔｈａｎｅ ｃｏｎｔｅｎｔ ｗａｓ ｂｕｉｌｔ.Ｔｈｅ ｍｏｄｅｌ̓ ｅｒｒｏｒ ａｎｄ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｏｆ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｗｅｒｅ ａｎａｌｙｚｅｄ.Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ＢＰ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｌｏｇｇｉｎｇ ｐａｒａｍｅｔｅｒｓ ｈａｄ ｓｔｒｏｎｇ ｎｏｎｌｉｎｅａｒ ａｐｐｒｏｘｉｍａｔｉｏｎ ａｂｉｌｉｔｙ ａｎｄ ｃｏｕｌｄ ａｃｔｕａｌｌｙ ｒｅｆｌｅｃｔ ｔｈｅ ｎｏｎ￣ ｌｉｎｅａｒ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｃｏａｌｂｅｄ ｍｅｔｈａｎｅ ｃｏｎｔｅｎｔ ａｎｄ ｌｏｇｇｉｎｇ ｐａｒａｍｅｔｅｒｓ.Ｔｈｅ ｅｒｒｏｒ ｂｅｔｗｅｅｎ ｐｒｅｄｉｃｔｅｄ ｒｅｓｕｌｔｓ ａｎｄ ｍｅａｓｕｒｅｄ ｖａｌｕｅ ｗａｓ ｓｍａｌｌꎬｗｉｔｈ ｔｈｅ ｒｅｌａｔｉｖｅ ｅｒｒｏｒ ｇｅｎｅｒａｌｌｙ ｌｅｓｓ ｔｈａｎ １０％.Ｔｈｅｒｅ ｗｏｕｌｄ ｂｅ ａ ｇｏｏｄ ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｓｐｅｃｔ ｉｎ ｕｓｉｎｇ ｌｏｇｇｉｎｇ ｃｕｒｖｅｓ ｔｏ ｐｒｅｄｉｃｔ ｇａｓ ｃｏｎ￣ ｔｅｎｔ ｏｆ ｃｏａｌ ｓｅａｍ. Ｋｅｙ ｗｏｒｄｓｌｏｇｇｉｎｇ ｐａｒａｍｅｔｅｒｓꎻｃｏａｌｂｅｄ ｍｅｔｈａｎｅ ｃｏｎｔｅｎｔꎻＢＰ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓꎻｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ 收稿日期２０１４－０３－０５ꎻ责任编辑王晓珍 ＤＯＩ１０.１３１９９/ ｊ.ｃｎｋｉ.ｃｓｔ.２０１４.０６.００５ 基金项目国家重点基础研究发展计划９７３ 计划 资助项目２０１２ＣＢ２１４７０５ꎻ国家自然科学基金资助项目４１３７２１６３ꎬ４１１７２１４５ꎬ４１０３０４２２ꎻ国家 科技重大专项资助项目２０１１ＺＸ０５０６３ 作者简介孟召平１９６３ꎬ男ꎬ湖南汨罗人ꎬ教授ꎬ博士生导师ꎬ博士ꎮ Ｅ－ｍａｉｌｍｚｐ＠ ｃｕｍｔｂ􀆱 ｅｄｕ􀆱 ｃｎ 引用格式孟召平ꎬ郭彦省ꎬ张纪星.基于测井参数的煤层含气量预测模型与应用[Ｊ].煤炭科学技术ꎬ２０１４ꎬ４２６２５－３０. ＭＥＮＧ Ｚｈａｏ￣ｐｉｎｇꎬＧＵＯ Ｙａｎ￣ｓｈｅｎｇꎬＺＨＡＮＧ Ｊｉ￣ｘｉｎｇ.Ａｐｐｌｉｃａｔｉｏｎ ａｎｄ Ｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ｏｆ Ｃｏａｌｂｅｄ Ｍｅｔｈａｎｅ Ｃｏｎｔｅｎｔ Ｂａｓｅｄ ｏｎ Ｌｏｇｇｉｎｇ Ｐａｒａｍｅｔｅｒｓ [Ｊ].Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙꎬ２０１４ꎬ４２６２５－３０. ５２ ２０１４ 年第 ６ 期煤 炭 科 学 技 术第 ４２ 卷 ０ 引 言 煤层含气量是指单位质量煤中所含气体的体积 标准状态下ꎮ 准确的含气量是煤层气勘探开发 中估算资源量必不可少的关键参数之一ꎬ它关系到 产气能力的预测、布井和开采条件的确定ꎬ决定着煤 层气资源开发前景ꎮ 一般来说ꎬ含气量高ꎬ煤体中的 气体富集程度高ꎬ有利于开发[１－２]ꎮ 以往对煤层含 气量评价与预测的主要方法有钻孔岩心实测含气量 法[２]、煤层含气梯度法[３－４]、基于朗格缪尔方程的煤 层含气量预测方法和地质统计分析法[５－６]等ꎮ 近些 年来ꎬ国内外学者在应用地球物理测井预测煤储层 参数方面ꎬ主要是用密度、自然伽马和视电阻率等测 井参数ꎬ辅以声波、自然电位、井径等参数ꎮ 由于煤 层含气量受多种地质因素影响ꎬ它们之间存在着复 杂的非线性关系ꎬ有些甚至是随机的、模糊的ꎬ利用 传统的方法难以表达它们之间的内在关系ꎻ而人工 神经网络方法具有极强的非线性逼近能力ꎬ能真实 刻画出输入变量与输出变量之间的非线性关系ꎮ 因 此采用基于测井参数的 ＢＰ 人工神经网络模型预测 煤层含气量方法受到关注ꎬ并取得了良好的应用效 果[７－１２]ꎬ文献[７－８]基于概率统计模型和神经网络 模型对煤层气储层的含气量、基质孔隙度和裂缝孔 隙度等参数进行了分析与评价ꎮ 吴财芳等[９]基于 遗传神经网络方法对煤层瓦斯含量进行预测研究ꎻ 杨东根等[１０]分析了沁水盆地和顺地区的煤心试验 数据与测井参数之间的关系ꎬ分别得到利用自然伽 马测井值计算煤工业组分的计算方法和利用声波时 差和密度组合参数来计算含气量的计算方法ꎮ 黄兆 辉等[１１]针对沁水盆地南部煤层气勘探目标层ꎬ分析 了煤的工业组分与测井响应特征ꎬ利用改进的 Ｌａｎｇ￣ ｍｕｉｒ 煤阶方程建立煤质分析结果与含气量之间的 关系模型ꎮ 张作清[１２]通过分析岩心含气量与测井 参数相关性ꎬ选择出与含气量相关系数较大的自然 伽马、体积密度、声波时差等 ３ 个测井参数进行组 合ꎬ得到一个复合参数预测煤层含气量ꎮ 金泽亮 等[１３]通过多元回归分析得到了煤层含气量与测井 参数 深侧向测井值、声波测井值、中子测井值、 密度测井值等之间的经验公式并验证了其可信度与 有效性ꎮ 邵先杰等[１４]通过对韩城矿区煤样密度和 声波速度参数的试验测定ꎬ研究了煤岩工业组分之 间的关系及其对补偿密度、声波时差测井响应ꎬ应用 多元回归分析和体积模型法建立了煤储集层工业组 分、孔隙度和含气量测井解释模型ꎮ 以往在识别方 法和统计模型方面的研究为应用测井参数预测煤层 含气量探索了可行途径ꎮ 由于各种测井信息间的组 合方式以及各种测井曲线反映煤层含气量的灵敏度 不同ꎬ因此用测井参数建立的统计模型与实际存在 一定的偏差ꎬ且大多缺少误差分析ꎬ应用效果受到限 制ꎮ 笔者以沁水盆地东南部沁南东区块为依托ꎬ通 过试验和统计分析了煤层含气量与测井参数之间的 相关关系ꎬ建立了基于测井参数的煤层含气量 ＢＰ 人工神经网络预测模型ꎬ并对模型进行误差分析和 应用结果对比分析ꎬ发现基于测井参数的煤层含气 量预测方法效果较好ꎬ具有较好的应用前景ꎮ １ 煤层含气量与测井参数相关性分析 １􀆱 １ 研究区地质概况 沁南东区块位于沁水盆地的东南部ꎬ行政区划 隶属于长治市、长治县、长子县和安泽县ꎬ区块面积 １ ６１４ ｋｍ２ꎬ区内地势复杂ꎬ多为丘陵和山地ꎮ 区块 钻孔遇地层自上而下有新生界第四系Ｑ、新近系 Ｎ、中生界三叠系Ｔ、上古生界二叠系石千峰组 Ｐ２ｓｈ、上石盒子组Ｐ２ｓ、下石盒子组Ｐ１ｘ和山 西组Ｐ１ｓ、石炭系太原组Ｃ３ｔ 和中统本溪组 Ｃ２ｂ以及下古生界奥陶系峰峰组Ｏ２ｆꎮ 本区的 主要含煤层地层为二叠系下统山西组 ３ 号煤层和石 炭系上统太原组 １５ 号煤层ꎬ其中山西组 ３ 号煤层位 于山西组的下部ꎬ为中厚－厚煤层ꎬ煤层有效厚度一 般为 ５􀆱 ０６􀆱 ５ ｍꎬ平均 ５􀆱 ４ ｍꎬ为本区主要目标层ꎮ 山西组 ３ 号煤层煤岩镜质组最大反射率 Ｒｏꎬｍａｘ为 １􀆱 ９７％２􀆱 ７１％ꎬ平均 ２􀆱 ３６％ꎬ煤种为贫煤－无烟煤ꎮ 煤岩镜质组含量为 ６０􀆱 ０％ ９０􀆱 ８％ꎬ平均 ７３􀆱 ６６％ꎻ 惰质组含量为 ７􀆱 ２％４０􀆱 ０％ꎬ平均 ２６􀆱 ３４％ꎮ ３ 号煤 层原煤灰分 ７􀆱 ９４％ ３７􀆱 ０４％ꎬ平均 １４􀆱 １６％ꎬ属中－ 低灰煤ꎻ水分 ０􀆱 ５８％ １􀆱 ５３％ꎬ平均 １􀆱 １４％ꎻ挥发分 ６􀆱 ５３％１５􀆱 ４５％ꎬ平均 ９􀆱 ７７％ꎮ 宏观煤岩类型主要 为半亮煤ꎬ部分为半暗煤ꎬ煤体结构主要为原生－碎 裂结构ꎬ一般不含或含 １ 层夹矸ꎮ 煤层构造整体呈 西倾的单斜构造ꎬ其中发育次级褶皱和断层构造ꎬ断 层主要为 ＮＥ 走向正断层ꎮ 通过对研究区 ４１ 个钻 孔煤层含气量进行解吸法测试ꎬ得出 ３ 号煤层含气 量为 ５􀆱 ４３２３􀆱 ７７ ｍ３/ ｔꎬ平均为 １４􀆱 ３９ ｍ３/ ｔꎬ含气量 相对沁水盆地南部偏低ꎮ 在测井曲线上ꎬ煤层的电 性特征和放射性特征较为明显ꎮ ６２ 孟召平等基于测井参数的煤层含气量预测模型与应用２０１４ 年第 ６ 期 １􀆱 ２ 煤层含气量与测井参数之间的关系 煤层含气量的分布主要受煤层的生气条件、储 气条件和保存条件所控制ꎬ影响煤层含气量的主要 因素有地质构造、煤层顶底板岩性、煤层有效埋深、 煤变质程度和煤岩及煤质特征等ꎬ而这些地质因素 决定了测井响应特征ꎮ 因此煤层含气量的变化在不 同测井曲线上会有不同程度的响应ꎮ 选择研究区的 ４１ 个已进行含气量测试及具备 测井数据的钻孔ꎬ通过分析煤层气井测井响应特征ꎬ 发现煤层含气量与有效埋深 Ｈ、体积密度 Ｄ、自然电 位 ＳＰ、电阻率深侧向电阻率 ＲＤ、浅侧向电阻率 ＲＳ 和微球形聚焦电阻率 ＲＭ、声波时差 ＡＣ、自然伽马 ＧＲ、补偿中子 ＣＮ等参数之间存在一定的相关性图 １ꎬ但是ꎬ如果按照单参数建立解释模型ꎬ发现这之 间的任何一个作为含气量的定量测井解释模型参 数ꎬ都不能满足生产评价模型所要求的精度ꎬ这说明 利用单参数建模存在不足ꎬ因此ꎬ利用多测井参数建 立解释模型是必要的ꎮ 图 １ 煤层含气量与测井参数之间的关系 １煤层含气量与有效埋深之间的关系ꎮ 煤化 作用过程中产生的大量气体能否得到很好的保 存ꎬ有赖于构造分异作用导致的有效埋深ꎬ即煤层 顶板到新生界基底之间的厚度变化ꎬ即煤层埋深 减去新生代松散层厚度ꎬ亦即有效盖层厚度ꎮ 沁 水盆地石炭二叠系煤层形成后三叠系末发生抬 升作用ꎬ新生代又发生了局部沉降ꎬ现今煤层埋深 不能代表煤层生气后的深度ꎮ 有效埋深增大ꎬ煤 层气的保存能力不断增强ꎬ含气量也随之增加ꎮ 主采煤层顶板到新生界基底之间的厚度反映了不 整合面形成后残存的盖层厚度ꎬ也反映了煤层有 效埋深ꎮ 该不整合面在含煤地层抬升遭受剥蚀期 间控制了煤层气自然释放的幅度ꎮ 统计分析表 明ꎬ通过深度测井ꎬ发现本区 ３ 号煤层含气量随着 煤层有效埋深煤层深度－新生代松散层厚度的 增加而增高ꎬ且 ３ 号煤层含气量与煤层有效埋深 之间呈对数函数关系图 １ａꎮ ２煤层含气量与体积密度之间的关系ꎮ 煤具 有较低的基质密度ꎬ体现在测井补偿密度曲线上ꎬ本 区统计煤的体积密度一般为 １􀆱 １７１􀆱 ６３ ｇ/ ｃｍ３ꎬ平 均为 １􀆱 ３８ ｇ/ ｃｍ３ꎮ 煤层气主要以 ３ 种形式赋存在煤 层中ꎬ即吸附在煤孔隙表面上的吸附状态ꎬ分布在煤 的孔隙及裂隙内呈游离状态和溶解在煤层水中呈溶 解状态ꎮ 煤层气主要以吸附状态存在ꎬ吸附气量占 煤层含气量的比例较大ꎮ 随着煤层含气量增加ꎬ煤 的体积密度减小ꎬ因此ꎬ统计表明煤层含气量与体积 密度之间呈负相关关系图 １ｂꎮ ３煤层含气量与自然电位ＳＰ之间的关系ꎮ 自然电位测井是以钻井液与钻穿岩层孔隙流体间存 在的扩散－吸附现象为基础的测井方法ꎮ 自然电位 测井所用的测量工具包括 １ 个放在井眼中的可移动 电极和 １ 个放在地面泥浆槽中的参考电极ꎮ 通过变 换可移动电极的位置ꎬ绘制出井轴上的自然电位曲 线图ꎬ不同的电位曲线反映出不同的地层信息ꎮ 统 计表明ꎬ本区煤层含气量与自然电位之间呈较弱的 正相关关系ꎬ反映随着煤层含气量的增高ꎬ自然电位 有增高趋势图 １ｃꎮ ４煤层含气量与声波时差、补偿中子、自然伽 ７２ ２０１４ 年第 ６ 期煤 炭 科 学 技 术第 ４２ 卷 马之间的关系ꎮ 由于煤的分子结构相对松散ꎬ且受 煤层内部条带状、片状、层状等结构的影响ꎬ使得声 波在煤层中具有较低的传播速度ꎬ在声波测井曲线 中体现为时差较高ꎮ 声波时差对含气性敏感ꎬ煤储 层含气性增高ꎬ声波传播速度减少ꎬ声波时差增大ꎬ 煤层含气量与声波时差表现出正相关性ꎮ 煤的有机 质和无机质都不是放射物质ꎮ 在成煤过程中ꎬ外来 矿物质决定煤的天然放射性ꎬ一般情况下ꎬ煤的自然 放射性很弱ꎬ但是ꎬ由于煤中黏土矿物的存在影响煤 的吸附性能ꎬ降低煤层含气量ꎬ所以随着煤的自然放 射性增强ꎬ煤层含气量将减少ꎬ故表现为负相关ꎻ而 补偿中子与煤层含气量的相关性较弱ꎮ 为了有效、合理地分析煤层含气量ꎬ从多种测井 方法中选择了与含气量关系密切的自然伽马测井、 补偿中子测井及声波时差测井ꎮ 自然伽马测井主要 与煤层泥质含量有关ꎬ泥质含量影响煤的吸附性能ꎻ 补偿中子测井和声波时差测井反映了煤层孔隙度ꎬ 从而影响煤的含气性ꎬ孔隙度越大、煤层含气量越 高ꎬ考虑到煤层含气量与补偿中子测井、自然伽马测 井呈负相关ꎬ与声波时差呈正相关ꎬ构造了一个复合 参数 Ｃ 如下 Ｃ ＝ ＡＣ/ ＣＮＧＲ１ 统计表明ꎬ随着复合参数增大ꎬ煤层含气量增 高ꎬ煤层含气量与复合参数之间呈正相关关系图 １ｄꎮ ５煤层含气量与深侧向、浅侧向电阻率比值及 微球形聚焦电阻率之间关系ꎮ 煤和其他岩石、矿物 一样ꎬ也是一种导体ꎮ 在自然条件下ꎬ煤的电阻率受 煤的变质程度、煤岩成分、矿物质含量和分布、煤的 构造以及水分和孔隙度等因素的影响ꎮ 煤的电阻率 决定于它的变质程度ꎬ并与其煤岩成分、矿物杂质含 量、水分以及孔隙度有关ꎮ 本区山西组 ３ 号煤层煤 岩镜质组最大反射率 Ｒｏꎬｍａｘ为 １􀆱 ９７％ ２􀆱 ７１％ꎬ平均 ２􀆱 ３６％ꎬ煤种为贫煤－无烟煤ꎬ由于高煤阶煤含有大 量的自由电子ꎬ其电子导电性良好ꎬ因此电阻率极 低ꎮ 本次采用的电阻率参数包括深侧向、浅侧向和 微球形聚焦 ３ 条测井曲线ꎮ 利用 ３ 条曲线的幅度 差ꎬ能够确定地层是否被钻井液流体侵入ꎬ确定煤储 层含气性及含水饱和度ꎮ 为了有效、合理地分析煤层含气量与电阻率之 间的关系ꎬ选择了深侧向、浅侧向和微球形聚焦电阻 率测井参数ꎬ通过分析ꎬ煤层含气量与深侧向和浅侧 向电阻率比值之间呈正相关图 １ｅꎮ 煤层含气量 与微球形聚焦电阻率呈弱的负相关关系图 １ｆꎮ ２ 煤层含气量预测 ＢＰ 人工神经网络模型 ２􀆱 １ ＢＰ 人工神经网络模型结构的确定 人工神经网络Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ是由人 工神经元简称神经元互联组成的网络ꎬ在理论上 可以任意逼近任何非线性映射ꎮ 根据网络中神经元 的连接方式的不同ꎬ将人工神经网络分为分层网络 和相互连接型网络两大类ꎬ目前应用较广的是分层 网络ꎬ根据实际输出和期望输出之差ꎬ对网络的各层 连接权由后向前逐层进行误差校正的多层前馈网 络ꎬ简称 ＢＰ 神经网络[１５－１６]ꎮ 因此ꎬ该方法的实质是 求误差函数的最小值ꎬ它通过多个样本的反复训练ꎬ 将多个已知样本训练得到的各层连接权及各层神经 元的偏置值等信息作为知识保存ꎬ以便对未训练样 本值进行预测ꎬ计算流程如图 ２ 所示ꎮ 图 ２ ＢＰ 人工神经网络计算流程 本次以沁水盆地东南部沁南东区块 ３ 号煤层为 研究对象ꎬ以研究区 ４１ 个钻孔的煤层含气量及测井 参数为样本ꎬ随机选取 ３５ 个样本作为训练样本ꎬ６ 个样本作为检验样本ꎻ选取 ６ 个测井参数作为神经 网络输入参数ꎬ即输入节点为 ６ 个ꎮ ＢＰ 人工神经网 络模型拓扑图如图 ３ 所示ꎮ 经过实际训练ꎬ采用隐 含层神经元 １１ 个ꎻ输出节点 １ 个ꎬ为煤层含气量ꎮ 在进入人工神经网络训练之前为了消除主控因 素不同量纲的数据对网络训练和预测结果的影响ꎬ 需要对数据进行归一化处理ꎬ以提高网络训练的效 率和精度ꎮ 对于数值型的学习样本以及输出数据利用式 １进行归一化处理ꎬ每个节点的输出值为 ０１ꎮ Ｘｉ＝ Ｘ′ｉ － Ｘ ｍｉｎ / Ｘｍａｘ － Ｘ ｍｉｎ ２ 式中Ｘｉ为样本归一化处理后的数值ꎻＸｍａｘ、Ｘｍｉｎ、Ｘ′ｉ 分别为原始样本数据组的最大值、最小值和实测值ꎮ ８２ 孟召平等基于测井参数的煤层含气量预测模型与应用２０１４ 年第 ６ 期 Ｙ隐含层权值ꎻｊ第 ｊ 个输入节点ꎻＪ第 Ｊ 个样本ꎻＸ１体积密度 ＤꎻＸ２自然电位 ＳＰꎻＸ３有效埋深的对数 ｌｎ ＨꎻＸ４深、浅侧向电 阻率的比值ＲＤ/ ＲＳꎻＸ５声波时差 ＡＣ与补偿中子 ＣＮ、自然伽马 ＧＲ乘积的比值 ＡＣ/ ＣＮＧＲꎻＸ６微球形聚焦电阻率的对数 ｌｎ ＲＭ 图 ３ ＢＰ 人工神经网络模型拓扑图 ２􀆱 ２ 煤层含气量的 ＢＰ 人工神经网络模型建立 ＢＰ 人工神经网络模型对于给定的映射关系的 模拟ꎬ通过学习训练后才能完成ꎮ 网络进行训练时ꎬ 首先要提供一组训练样本ꎬ其中的每个样本由输入 与目标输出对组成ꎮ 如果提供的样本足够多ꎬ而且 有很强的代表性ꎬ网络会通过自组织自适应的能力ꎬ 找出主控因素与评价指标之间的非线性关系ꎮ 把样 本序列划分为训练集和测试集ꎬ训练集用于网络训 练ꎬ使网络按照学习算法调节结构参数ꎬ直到满足要 求ꎻ测试集则是用于评价已训练好的网络的性能是 否能达到目的ꎬ最终得到满意的预测模型ꎮ 本次研究采用训练集样本 ３５ 个ꎬ检验集样本 ６ 个ꎬ输入层节点 ６ 个ꎬ输入层为 ６ 个测井参数ꎬＢＰ 人 工神经网络模型各阈值见表 １ꎮ 表 １ ＢＰ 人工神经网络模型各阈值 序号 输入层到隐含层权值 ｗｉｊ １２３４５６ 阈值 ｂｉ １３􀆱 ３４０ ２－０􀆱 ２６３ ９－１􀆱 １６５ ６－２􀆱 ２６１ ２１１􀆱 ０８２ ０－０􀆱 １８２ ８－１２􀆱 ５００ ２ ２１２􀆱 ６７５ ０１６􀆱 ４３９ ７－１６􀆱 ４３９ ７－０􀆱 ２５７ ８２３􀆱 ９０８ ２３􀆱 ９９６ １５􀆱 ４１０ １ ３－１􀆱 ４３７ ２－１􀆱 ０９５ ３－２􀆱 ７４６ ４－０􀆱 ８６０ ６２２􀆱 ７０７ ９１􀆱 ６０９ ６６􀆱 ７３２ ９ ４２􀆱 ５５７ ９－０􀆱 ４２８ ９１􀆱 ７３８ ７０􀆱 ７０６ ３１６􀆱 ８３７ ４０􀆱 ２２１ ９－１７􀆱 ４２７ ６ ５－１９􀆱 １３７ ５０􀆱 ０４４ ２６􀆱 ８０３ ６－０􀆱 ５５４ ２－６４􀆱 ６５７ ８０􀆱 １１２ ７－９􀆱 ２９８ ９ ６－４􀆱 ５９４ ７－０􀆱 ００７ ８－３􀆱 ２９９ １－０􀆱 ８６７ ４５􀆱 ８５２ ０－０􀆱 ９００ ９１６􀆱 ６２０ １ ７６􀆱 ８０２ ５－０􀆱 ０１６ ５－３􀆱 ７１９ ６０􀆱 １７６ ８２２􀆱 １６６ ４０􀆱 １４２ １１２􀆱 ３３０ ３ ８４􀆱 ４１６ ０２􀆱 １２０ １０􀆱 ７２６ ４０􀆱 １４１ ９１３􀆱 ３０５ ９０􀆱 １５１ ３１２􀆱 ２０８ ５ ９－４􀆱 ０３５ １０􀆱 ２４８ ９１􀆱 ５８５ ０－０􀆱 ９８４ ８－５􀆱 ９３４ ９－０􀆱 ０２９ ４３􀆱 ８７０ ６ １０－４􀆱 ０７１ ７－０􀆱 ２８４ ００􀆱 ５８１ ８０􀆱 ０４５ ２－１３􀆱 ２７１ ５－０􀆱 ３４６ ２－１􀆱 ２７４ ２ １１－１􀆱 ６２６ ６－０􀆱 ０２７ ２１８􀆱 ２５１ １－１１􀆱 ２２５ ３２４􀆱 ７５９ ４２８􀆱 ７８３ ６３􀆱 ０３９ ２ 隐含层至输出层权值 Ｔｉ １２３４５６７８９１０１１ 阈值 ｂｉ －２􀆱 ２９４ ３１􀆱 ９７８ ８ １􀆱 ５８９ ３０􀆱 ９９１ ９－７􀆱 ７５３ ０－２􀆱 １４７ ０－１１􀆱 ９８５ ７２􀆱 ００７ ８１􀆱 ５００ １－３􀆱 ６４６ ９１􀆱 ３６３ １２􀆱 ９１４ ５ ２􀆱 ３ 预测结果及误差分析 为检验 ＢＰ 网络模型的泛化能力ꎬ对检验集样 本进行运算ꎬ计算表明ꎬ６ 个检验样本 ＢＰ 网络模型 预测煤层含气量绝对误差为－０􀆱 ３６８ ３􀆱 ６３４ ｍ３/ ｔꎬ 相对误差为 ２􀆱 ４５８％ １７􀆱 ８０５％ꎬ 平均为 ５􀆱 ８９８％ 表 ２ꎮ 表 ２ 检验样本煤层含气量预测误差统计 样本号 输入层参数 Ｘ１Ｘ２Ｘ３Ｘ４Ｘ５Ｘ６ 实际含气量/ ｍ３􀅱ｔ －１ ＢＰ 网络预测值/ ｍ３􀅱ｔ －１ 绝对误差/ ｍ３􀅱ｔ －１ 相对误 差/ ％ ３６１􀆱 ４４７１２７􀆱 ６４４６􀆱 ６２８１􀆱 ０９００􀆱 １６７０１３.６３０１４􀆱 ８５６－１􀆱 ２２６８􀆱 ９９４ ３７１􀆱 ３４９１１４􀆱 ８６６６􀆱 ６９０１􀆱 ２０２０􀆱 １６８－２􀆱 ８９８１４􀆱 ９７０１５􀆱 ３３８－０􀆱 ３６８２􀆱 ４５８ ３８１􀆱 ３０５７３􀆱 ６５５６􀆱 ５６６１􀆱 ００３０􀆱 ２３９－１􀆱 ６７８１２􀆱 ９４０１０􀆱 ９１３２􀆱 ０２７１５􀆱 ６６７ ３９１􀆱 ３６３１５６􀆱 ４５３７􀆱 ０６１１􀆱 ０１００􀆱 １４０－５􀆱 ８１１２０􀆱 ４１０１６􀆱 ７７６３􀆱 ６３４１７􀆱 ８０５ ４０１􀆱 ３９９７０􀆱 ２９４６􀆱 ４９５１􀆱 ０２４０􀆱 １７０－０􀆱 ３３８１０􀆱 １３０９􀆱 ４８６０􀆱 ６４４６􀆱 ３６１ ４１１􀆱 ３９３８４􀆱 ４５０７􀆱 ０１５１􀆱 ０１５０􀆱 １４７－１􀆱 ２６０１４􀆱 １８０１５􀆱 ３４９－１􀆱 １６９８􀆱 ２４３ 注含气量预测平均绝对误差 ０􀆱 １９４ ｍ３/ ｔꎻ平均相对误差 ５􀆱 ８９８％ꎮ ９２ ２０１４ 年第 ６ 期煤 炭 科 学 技 术第 ４２ 卷 训练样本和检验样本计算结果与实际测试结果 对比表明ꎬ预测结果与实测结果之间的误差小ꎬ相对 误差一般小于 １０％ꎬ如图 ４ 所示ꎮ 图 ４ 煤层含气量预测结果与实测结果对比 ３ 结 论 １煤层含气量的变化在不同测井曲线上会有 不同程度的响应ꎬ煤层含气量与测井参数之间存在 一定的相关性ꎬ沁水盆地东南部沁南东区块 ３ 号煤 层含气量分别与煤层有效埋深、自然电位、深侧向电 阻率与浅侧向电阻率比值、声波时差与自然伽马和 补偿中子乘积的比值之间呈正相关ꎻ而与体积密度 和微球形聚焦电阻率之间呈负相关ꎮ ２由于煤层含气量与测井参数之间存在着复 杂的非线性关系ꎬ有些甚至是随机的、模糊的ꎬ完全 用传统的数学方法难以处理ꎬ而人工神经网络具有 极强的非线性逼近能力ꎬ能真实刻画出输入变量与 输出变量之间的非线性关系ꎮ ３按照单一测井曲线建立解释模型ꎬ预测含气 量都不能满足生产解释模型所要求的精度ꎬ因此ꎬ利 用多测井参数建立解释模型是必要的ꎻ选择了有效 埋深的对数、体积密度、自然电位、深侧向电阻率与 浅侧向电阻率比值、微球形聚焦电阻率的对数、声波 时差与自然伽马和补偿中子乘积的比值等 ６ 个参数 作为 ＢＰ 人工神经网络模型的基本特征量ꎬ预测结 果与实测结果之间误差小ꎬ相对误差一般小于 １０％ꎮ ４基于测井参数的煤层含气量 ＢＰ 人工神经网 络模型ꎬ在煤层气含量预测中具有较好的应用效果ꎮ 在煤层气勘探开发中可以作为煤层气含量预测的一 种方法ꎬ并推广应用ꎮ 参考文献 [１] 孟召平ꎬ田永东ꎬ雷 旸.煤层含气量预测的 ＢＰ 人工神经网络 模型与应用[Ｊ].中国矿业大学学报ꎬ２００８ꎬ３７４４５６－４６１. [２] 孟召平ꎬ田永东ꎬ李国富.煤层气开发地质学理论与方法[Ｍ]. 北京科学出版社ꎬ２０１０. [３] 王宏图ꎬ鲜学福ꎬ杜云贵ꎬ等.煤矿深部开采煤层气含量计算的 解析法[Ｊ].中国矿业大学学报ꎬ２００２ꎬ３１４３６７－３６９. [４] 秦 勇ꎬ刘焕杰ꎬ桑树勋ꎬ等.山西南部上古生界煤层含气性研 究推定区煤层含气性评价[Ｊ].煤田地质与勘探ꎬ１９９７ꎬ２５ ４２５－３０. [５] 陈春琳ꎬ林大杨.等温吸附曲线方法在煤层气可采资源量估算 中的应用[Ｊ].中国矿业大学学报ꎬ２００５ꎬ３４５６７９－６８２. [６] 李贵红ꎬ张 鸿ꎬ崔永君ꎬ等.基于多元逐步回归分析的煤储层 含气量预测模型[Ｊ].煤田地质与勘探ꎬ２００５ꎬ３３３２２－２５. [７] 侯俊胜ꎬ王 颖.神经网络方法在煤层气测井资料解释中的应 用[Ｊ].地质与勘探ꎬ１９９９ꎬ３５３４１－４５. [８] 侯俊胜.煤层气储层测井评价方法及其应用[Ｍ].北京冶金工 业出版社ꎬ２０００. [９] 吴财芳ꎬ曾 勇.基于遗传神经网络的瓦斯含量预测研究[Ｊ]. 地学前缘ꎬ２００３ꎬ１０１２１９－２２３. [１０] 杨东根ꎬ范宜仁ꎬ邓少贵ꎬ等.利用测井资料评价煤层煤质及含 气量的方法研究以和顺地区为例[Ｊ].勘探地球物理进展ꎬ ２０１０ꎬ３３４２６２－２６５. [１１] 黄兆辉ꎬ邹长春ꎬ杨玉卿ꎬ等.沁水盆地南部 ＴＳ 地区煤层气储 层测井评价方法[Ｊ].现代地质ꎬ２０１２ꎬ２６６１２７５－１２８２. [１２] 张作清.和顺地区煤层气工业组分与含气量计算研究[Ｊ].测 井技术ꎬ２０１３ꎬ３７１９９－１０２. [１３] 金泽亮ꎬ薛海飞ꎬ高海滨ꎬ等.煤层气储层测井评价技术及应用 [Ｊ].煤田地质与勘探ꎬ２０１３ꎬ４１２４２－４５. [１４] 邵先杰ꎬ孙玉波ꎬ孙景民ꎬ等.煤岩参数测井解释方法以韩城 矿区为例[Ｊ].石油勘探与开发ꎬ２０１３ꎬ４０５５５９－５６５. [１５] 朱大奇ꎬ史 慧.人工神经网络原理及应用[Ｍ].北京科学出 版社ꎬ２００６１７－２０. [１６] 闻 新ꎬ周 露ꎬ王丹力ꎬ等.ＭＡＴＬＡＢ 神经网络应用设计 [Ｍ].北京科学出版社ꎬ２０００２０７－２１８. 􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍􀤍 上接第 ６０ 页 [４] 付建华ꎬ程远平.中国煤矿煤与瓦斯突出现状及防治对策[Ｊ]. 采矿与安全工程学报ꎬ２００７ꎬ２４３２５３－２５９. [５] 王建钧ꎬ曹 净ꎬ刘海明.水平定向钻孔稳定性因素分析[Ｊ].地 质装备ꎬ２００９ꎬ１０２４４－４５. [６] 李志华ꎬ涂 敏ꎬ姚向荣.深部瓦斯抽采钻孔稳定性与成孔控制 数值分析[Ｊ].中国煤炭ꎬ２０１１ꎬ３７３８５－８９. [７] 张飞燕ꎬ韩 颖ꎬ杨志龙.煤层钻孔失稳破坏的数值模拟研究 [Ｊ].中国矿业ꎬ２０１３ꎬ２２９１１５－１１７ꎬ１４０. [８] 杨 磊ꎬ李义敬ꎬ张 旭.煤层瓦斯抽采钻孔失稳的延迟效应分 析[Ｊ].煤矿安全ꎬ２０１３ꎬ４４９１７８－１８１. [９] 屈 平ꎬ沈瑞臣ꎬ付 利ꎬ等.煤层井壁稳定的时间延迟效应探 讨[Ｊ].煤炭学报ꎬ２０１１ꎬ３６２２５５－２６０. [１０] 谢 焰ꎬ陈 萍.煤与瓦斯突出的渗透失稳机理分析[Ｊ].煤炭 科学技术ꎬ２０１１ꎬ３９３６３－６６. [１１] 王 振ꎬ梁运培ꎬ金洪伟.防突钻孔失稳的力学条件分析[Ｊ]. 采矿与安全工程学报ꎬ２００８ꎬ２５４４４４－４４８. [１２] 翟 成ꎬ李全贵ꎬ孙 臣ꎬ等.松软煤层水力压裂钻孔失稳分析 及固化成孔方法[Ｊ].煤炭学报ꎬ２０１２ꎬ３７９１４３１－１４３６. [１３] 梁 冰.煤与瓦斯突出固流耦合失稳理论研究[Ｄ].沈阳东 北大学ꎬ１９９４. ０３